El Institute of Foundation Models (IFM), adscrito al MBZUAI, ha publicado PAN 2, un modelo del mundo abierto destinado a la inteligencia artificial física. A partir de una escena y una acción descritas en texto, simula el resultado en forma de vídeo. El anuncio se hizo en X el 10 de noviembre de 2026, y los pesos, el código de entrenamiento y el código de inferencia se distribuyen bajo licencia Apache 2.0.
- IFM publica PAN 2, un modelo del mundo abierto de 29.000 millones de parámetros bajo licencia Apache 2.0.
- El modelo genera un vídeo a partir de una escena y una acción descritas en texto.
- Un LLM redacta el siguiente estado del mundo y un transformador de difusión genera el vídeo.
- Según IFM, lidera los modelos abiertos en Physics-IQ, aunque sus cifras son autodeclaradas y MiniMax-H3 supera a PAN 2 en varias pruebas.
Un modelo del mundo es un sistema que predice la evolución de un entorno tras una acción. PAN 2, presentado como un modelo de uso general, sucede a PAN, lanzado en noviembre de 2025. El objetivo declarado es el razonamiento por simulación: un agente propone varios planes, PAN 2 simula cada uno, y el agente actúa según el mejor. Para los desarrolladores de robótica y agentes, la idea es probar un plan en simulación antes de ejecutarlo.
Un razonamiento en dos tiempos
PAN 2 reparte la simulación entre dos etapas. La primera, denominada conceptual, se basa en un gran modelo de lenguaje (LLM), es decir, un sistema entrenado para manipular texto. Lee la observación y las acciones solicitadas, y luego redacta el siguiente estado del mundo en forma de JSON estructurado: eventos, acciones fechadas vinculadas a actores y movimiento de cámara. Según el informe de IFM, el razonador utilizado por defecto es Kimi K3, pero cualquier LLM capaz de seguir instrucciones puede desempeñar este papel.
La segunda etapa, perceptiva, se confía a un transformador de difusión de 29B parámetros, bautizado MMDiT, que predice los latentes del vídeo. IFM lo ha entrenado desde cero en cientos de millones de vídeos anotados. Un codificador de texto Qwen3.5-9B, congelado durante el uso, condiciona este modelo, y el decodificador VAE de Wan 2.2 produce las imágenes finales.
IFM sostiene que el LLM es determinante. Sin razonamiento conceptual, la tasa de finalización de los planes completos cae del 34,0 % al 0,0 %, y la de las etapas pasa del 75,1 % al 8,7 %. Una simple reescritura en formato estructurado recupera parte de la diferencia, con un 27,8 % de planes completos. IFM también indica haber descartado las imágenes de videojuegos, animación y simulación tras una fase de entrenamiento inicial. Un modelo de prueba de 9B entrenado sin ellas obtuvo el 58 % de los votos en una prueba ciega.
Resultados anunciados por el editor
Todas las puntuaciones siguientes son autodeclaradas por IFM, que utilizó su propia suite de pruebas: 6 capacidades evaluadas en 300 casos de acción única y 100 tareas multi-etapa. En los planes completos, PAN 2 alcanza un 34,00 %, frente al 32,50 % de MiniMax-H3, el 26,77 % de FLUX 3 y el 24,49 % de Seedance 2.5. En las etapas tomadas una a una, obtiene un 75,10 %, frente al 75,12 % de MiniMax-H3. En las 6 capacidades, muestra un 84,48 %, frente al 87,20 % de MiniMax-H3, que se sitúa por delante en las seis categorías.
En la clasificación Physics-IQ Verified, PAN 2 obtiene 49,38, a la cabeza de los modelos abiertos, por detrás del modelo cerrado FLUX 3, con 51,11. En RBench, alcanza 57,04, frente a 56,16 de MiniMax-H3. En la prueba de preferencia humana, muestra un Elo de 1595 con GPT-6 Astra como razonador, frente a 1620 de MiniMax-H3.
En cuanto al hardware, cada trabajador GPU carga el modelo completo de 29B en BF16, con una descarga por bloques como solución de respaldo. IFM no publica cifras de memoria de vídeo (VRAM) ni duración de generación. La duración por defecto de una secuencia es de 241 imágenes, unos 10 segundos, y el límite es de 20 segundos en 704×1248 a 24 imágenes por segundo. Las descripciones tienen un límite de 1.536 tokens, las unidades de texto procesadas por el modelo.
IFM recomienda además su guardián separado, pan2-guardrail. En las pruebas del instituto, redujo las salidas no seguras procedentes de consultas nocivas de texto a vídeo del 33,9 % al 1,5 %, al tiempo que bloqueaba el 11,5 % de las consultas inocuas.
